基于改进YOLOv8n算法的水稻叶片病害检测

针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block for down-sampling,ADown)模块,减少特征信息的丢失,并在主干网络与颈部网络之间引入基于挤压-激励(squeeze-and-excitation,SE)的注意力机制模块,提高网络的特征融合能力;同时,设计出共享参数检测头,增加检测任务的感受野;此外,使用顺序证据加权插值算法的交并比(weighted interpolation of sequential evidence for intersection over union,WIoU)损失函数,进一步提升网络的检测性能。在水稻病害数据集上进行大量实验,结果表明,与原始YOLOv8n算法相比,改进YOLOv8n算法的精确率和平均精确率均值分别提升了6.59%和6.86%;改进YOLOv8n算法能够满足水稻叶片病害识别对速度及检测精度的需求,同时提高了对小目标和密集目标的检测能力,从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在检测速度和精度上具有一定优势,检测速度是YOLO第7版(YOLO version 7,YOLOv7)算法的3.61倍,平均精确率均值提高了8.63%。该研究能够为水稻智能化种植管理提供一定的参考。

多尺度融合的轻量级钢材表面缺陷检测

钢材表面缺陷的检测质量直接影响工业生产安全性和机器性能质量,现实工厂钢材质量把控受限于设备条件,在实现高精度强实时的检测效果仍面临着挑战.为了解决这一问题,提出一种多尺度融合的轻量级YOLOv8n检测算法.首先引入一种结合HGnetv2与RepConv的轻量级多尺度融合主干网络(RepHGnetv2),提高Backbone的特征提取能力与泛化能力同时降低了模型的复杂度;在Head部分,利用ADown下采样模块替换原算法的普通卷积(Conv),降低计算量并提高语义保留能力;最后将原算法的Loss函数替换为SlideLoss,改善样本之间不平衡的问题.在NEU-DET数据集上进行消融与对比实验,改进算法与原算法相比, mAP@0.5提升6.7%, Precision提升9.3%,模型大小下降25.5%,计算量下降了17.2%, FPS也有一定的提升;并在VOC2012数据集上进行了通用性对比实验,实验结果表明改进算法可以有效提高缺陷检测精度与效率,同时具有较好的通用性.

深埋土岩接触带下导水裂隙带发育规律

为了探寻深埋土岩界面下压架突水事故的机理,在分析高水压裂隙岩体赋存特征的基础上,基于导水裂隙带高度实测值及钻孔简易水文观测资料,采用理论及主控因素影响分析研究了深埋砂土砂岩界面下导水裂隙带的发育规律,研究结果表明:近深埋土岩界面带煤层开采,裂采比与防水煤岩柱高度符合Boxlucas1指数函数模型;当煤层顶板岩层大部分位于风化带深度范围时,风化带岩性的存在对导水裂隙带的高度发育起到了一定的抑制作用;风化带厚度对导水裂隙带的高度起到一定的抑制作用;而砂土砂岩界面下,由于下渗带的存在,水对岩体强度的影响,使得处于下渗带内岩层实际对导水裂隙带高度抑制作用相应的增大。

基于改进YOLOv8n的真实场景下草莓病害检测方法

针对实际种植环境下草莓病害目标检测中,存在背景复杂、检测精度低等主要问题,提出一种改进YOLOv8n的草莓病害检测算法YOLOv8n-SD。搜集并处理真实场景下草莓叶、花、果的常见病害图像以构建试验数据集。在YOLOv8n模型的基础上对其进行优化改进,利用多尺度并行计算与补丁感知注意力对主卷积模块进行重构,提出C2f-PPA模块,有效融合多尺度特征信息,提高模型的特征捕获能力。引入ADown模块,减少下采样过程中的信息损失,提高模型的推理速度和鲁棒性。提出一种任务对齐的共享动态检测头(Task-aligned Dynamic Head, TDyH),增强定位分支和分类分支之间的信息交互,降低模型参数的同时,提高检测精度和准确性。根据试验结果,改进后的YOLOv8n-SD模型的检测精度达到83.7%,相较于原YOLOv8n提高3.3%,mAP@0.5与mAP@0.5∶0.95分别达到76.9%和59.9%,分别提升1.6%和2.3%。改进后的算法能精确识别草莓生长各阶段的常见病害,并满足边缘设备的轻量化需求和实时检测需求。